Kurs
Övervakning av maskininlärningskoncept
MedelnivåKunskapsnivå
Uppdaterad 2026-05
TheoryMachine Learning2 tim11 videor33 Övningar2,050 XP5,120Intyg om genomförande
Skapa ditt kostnadsfria konto
Fortsätt med GoogleVisa fler alternativeller
Genom att fortsätta godkänner du våra användarvillkor, vår integritetspolicy och att dina uppgifter lagras i USA.
Omtyckt av lärande på tusentals företag
Utbildar du ett team?
Prova för företagKursbeskrivning
Koncept för övervakning av maskininlärning
Maskininlärningsmodeller påverkar allt fler beslut i den verkliga världen. Dessa modeller behöver övervakning för att förhindra fel och säkerställa att de ger affärsvärde till ditt företag. Den här kursen introducerar dig till de grundläggande koncepten för att skapa ett robust övervakningssystem för dina modeller i produktion.Upptäck det perfekta arbetsflödet för övervakning
Kursen börjar med en plan för var du ska börja övervaka i produktion och hur du ska strukturera processerna kring det. Vi går igenom det grundläggande arbetsflödet genom att visa hur du upptäcker problemen, identifierar grundorsakerna och löser dem med verkliga exempel.Utforska utmaningarna med att övervaka modeller i produktion
Att driftsätta en modell i produktion är bara början på modellens livscykel. Även om den presterar bra under utvecklingen kan den misslyckas på grund av ständigt föränderliga produktionsdata. I den här kursen kommer du att utforska svårigheterna med att övervaka en modells prestanda, särskilt när det inte finns någon sanningskälla.Förstå i detalj kovariatförskjutning och konceptdrift
Den sista delen av den här kursen kommer att fokusera på två typer av tyst modellfel. Du kommer att förstå i detalj de olika typerna av kovariatförskjutningar och konceptdrift, deras påverkan på modellens prestanda, samt hur du kan upptäcka och förebygga dem.Förkunskapskrav
MLOps ConceptsSupervised Learning with scikit-learn1
Vad är ML-övervakning?
Det första kapitlet förklarar varför företag behöver övervaka sina maskininlärningsmodeller i produktion. Du lär dig om det ideala övervakningsflödet och de steg som ingår, samt några av de utmaningar som övervakningssystem kan stöta på i produktion.
2
Teoretiska koncept inom övervakning
I kapitel 2 får du lära dig hur central prestandaövervakning är för ett tillförlitligt övervakningssystem. Vi utforskar vanliga utmaningar i verkliga produktionsmiljöer, till exempel tillgången till facit. I slutet av kapitlet vet du hur du hanterar situationer där facitdata är fördröjd eller saknas, med hjälp av algoritmer för prestandauppskattning.
3
Kovariansförskjutning och konceptdrift – identifiering
Nu när du känner till grunderna om kovariansförskjutning och konceptdrift i produktion är det dags att gå lite djupare. I slutet av det här kapitlet känner du till olika sätt att identifiera och hantera dem i verkliga scenarier.
Övervakning av maskininlärningskoncept
Kurs slutförd
Tjäna ett prestationsbevis
Lägg till det här beviset i din LinkedIn-profil, ditt CV eller din meritförteckningDela det i sociala medier och i din medarbetarutvärderingRegistrera dig nu
Gå med 19 miljoner lärande och börja Övervakning av maskininlärningskoncept idag!
Skapa ditt kostnadsfria konto
Fortsätt med GoogleVisa fler alternativeller
Genom att fortsätta godkänner du våra användarvillkor, vår integritetspolicy och att dina uppgifter lagras i USA.
Utveckla dina datakunskaper med DataCamp för mobilen
Gör framsteg när du är på språng med våra mobila kurser och dagliga 5-minuters kodningsutmaningar.